网络上的图像数据规模愈发庞大，伴随而来的有关图像的需求如存储、传输、识别等，也面临着更大的挑战，对图像识别和图像表示的研究已经成为应对新挑战的亟需攻克的关键点。目前，图像识别中利用结构特征、纹理特征、子空间、机器学习等方法与图像表示中线性类方法如矩阵分解、稀疏编码、线性判别分析和非线性类方法如核学习、流形学习、机器学习等，都存在需要经过复杂的运算分析、过程抽象、优化困难、对训练数据要求较高的问题。本文使用信号处理领域的研究方法，类似于傅里叶级数的思想，即将一个复杂信号表示为一系列简单的信号的线性组合，研究利用不特定数据集获得的基结构的图像表示及识别方法。研究内容包括：
　　第一，针对图像表示方法，提出一种基于特征提取的图像基结构分解方法并使用分解出的基结构对图像进行表示，算法首先将图像数据随机取若干相同大小的图像块作为训练样本，然后使用特征提取算法从中分解出基结构，再构建图像在基结构空间中的投影与重构模型，使得可以由所分解的基结构表示图像。实验表明通过使用一定数目的基结构，可以较好的对原始图像进行表示。
　　第二，针对基结构分解方法，提出基于峰值信噪比的基结构性质量化分析方法，通过计算原始图像与使用基结构重构的图像的峰值信噪比，将所分解的基结构的内容无关性、相对大小变化的影响、双射性等性质定量分析。实验表明，所分解基结构可以不依赖特定类型的图像数据，可以表示任意类型的图像。
　　第三，结合神经网络，研究利用基结构的图像识别方法。实验使用公开的图像集如MNIST字符集等，将数据投影在基结构空间中进行降维，利用投影所得的特征矩阵输入神经网络进行图像识别。实验表明，通过基结构空间降维后可以优化神经网络的训练过程。
　　第四，将卷积神经网络与基结构结合起来，使用基结构初始化神经网络的卷积层。实验首先将几种常见的卷积层初始方法进行对比，然后分析基结构初始化卷积层方法对初始化同一网络中不同的卷积层的影响，再通过降低卷积核深度分析不同初始化方法受到的影响。实验表明，与常见初始化方法相比，基结构初始化方法初期迭代效果好，收敛速度快，且受卷积核深度值影响小，可以起到简化网络结构的作用。
　　本文提出的图像表示方法可表示任意类型图像，所分解基结构不依赖特定数据集且内容不抽象，具有物理意义；结合神经网络的图像识别方法初期迭代正确率更高、收敛更快，同时利用基结构初始化卷积层有助于加深对图像卷积的理解。